[发明专利]一种面向人脸识别的改进鲁棒稀疏编码算法

摘要

本发明公开了一种面向人脸识别技术的鲁棒稀疏编码算法，属于人脸识别技术领域。本发明拥有高识别率和低计算开销，其中RSC的对异常和大面积遮挡的鲁棒性被很好地保留。随着iRSC中的每一步迭代，字典的规模逐步减少，计算的复杂度也大幅地减少。它的平均运行时间只有RSC的16％。在这个过程中，完备字典的特征未被影响，因此，iRSC可以获得与RSC相同的识别成功率。通过本发明基于AR人脸数据库的实验的结果显示，iRSC有着比SRC和RSC更好的综合表现。

主权项

一种面向人脸识别的改进鲁棒稀疏编码算法，其特征在于，包括以下步骤：步骤1：输入具有l2标准的标准化待测图像y及字典D；其中，字典D由所有未经遮挡的训练样本构成，每个字典D中的列包含单位l2标准，定义y＝Dα，α为编码向量，初始化迭代，第1步迭代的字典D⁽¹⁾＝D，第1步迭代的编码向量系数步骤2：在第t步迭代中，计算标准化待测图像y与其稀疏编码值的残差e^(t)＝y‑D^(t)α^(t)，在RSC模型中，计算标准化待测图像y的RSC模型加权对角矩阵W^(t)，其中给标准化待测图像y的第i个像素分配的权重被定义为其中为第i个像素的待测图像y与其稀疏编码值的残差，μ和θ是RSC残差分布函数中的参数，RSC残差分布函数为${\mathrm{\ρ}}_{\mathrm{\θ}}\left(e\right)=-\frac{1}{2\mathrm{\μ}}\left(ln\right(1+\exp \left(-{\mathrm{\μe}}^2+\mathrm{\μ}\mathrm{\δ}\right))-ln\left(1+\exp \mathrm{\μ}\mathrm{\δ}\right)),,$其中ρ_θ(e)＝‑lnf_θ(e)，，f_θ(e)为e的概率密度函数，θ表示描述分布的未知参数集，μ和δ是正的标量，μ控制RSC残差分布函数从1至0的下降速率，δ控制分界点的位置；步骤3：解l1标准最小化问题：$\widehat{\mathrm{\α}}=\arg {\min }_{\mathrm{\α}}\left\{\right|\left|{\left(W^{\left(t\right)}\right)}^{\frac{1}{2}}(y-D^{\left(t\right)}\mathrm{\α})\right|{|}_2^2+\mathrm{\λ}\left|\right|\mathrm{\α}\left|{|}_1\right\},$其中为稀疏系数，为l2标准，‖·‖₁为l1标准，λ为RSC模型中的正规化参数；步骤4：计算标准化待测图像y与第i类样本之间的残差：其中是与第i类关联的字典子集，是与第i类关联的子编码向量；步骤5：将字典D^(t)中的类按照待测图像y与该类样本之间的残差r_i(y)由小到大排序，保留排序后的前R_t×100％类，删除剩余的对象：D^(t+1)＝R_t(D^(t))；R_t为保留系数，更新稀疏编码系数：这是一个新的向量，它的编码参数是在中与剩余类有关的参数；步骤6：重复步骤2至5，直到收敛条件满足，或达到迭代最大值；其中，收敛条件为：‖W^(t+1)‑W^(t)‖₂/‖^(t)‖₂＜δ_W其中W^(t)是第t步的权重矩阵，δ_W是一个正的标量；若满足收敛条件，或迭代达到最大值，则结束迭代，转到步骤7输出结果，否则回到步骤2继续迭代；步骤7：输出结果identity(y)＝arg min_ir_i(y)。